박스 어노테이션을 이용한 약지도 세그멘테이션 방법은 각 박스 안에 포함된 물체에 대해 픽셀 수준의 마스크를 얻는 데 초점을 둔다. 기존 방법들은 대개 클래스 비구분 마스크 생성기에 의존하며, 이는 이미지에 내재된 저수준 정보를 바탕으로 동작한다. 본 연구에서는 학습된 물체 검출기의 동작으로부터 더 높은 수준의 정보를 활용한다. 즉, 물체 검출기가 전체 이미지에서 수행하는 것과 거의 동일한 결과를 산출하는 데 필요한 이미지의 가장 작은 영역을 탐색한다. 이러한 영역은 바운딩 박스 어트리뷰션 맵(BBAM)을 구성하며, 이는 물체의 바운딩 박스 내에서 목표 물체를 식별하여 약지도 의미론적 및 인스턴스 세그멘테이션을 위한 의사 정답(pseudo ground-truth)으로서 기능한다. 이 접근법은 약지도 의미론적 및 인스턴스 세그멘테이션의 PASCAL VOC 및 MS COCO 벤치마크 모두에서 최근의 비교 가능한 기법들에 비해 유의미하게 성능이 우수하다. 또한, 우리는 BBAM의 동작에 대한 보다 깊은 통찰을 제공함으로써, 방법에 대한 상세한 분석을 제시한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.